[attach]255[/attach]
机器学习作为人工智能的一部分，已经应用于很多领域，远超过人们的想象，垃圾邮件的过滤，在线广告的推荐系统，还有目前发展飞快的物体识别、人脸识别和语音识别的发展，都是机器学习的应用的成果。机器学习在改善商业决策、提高生产率、检测疾病、预测天气等方面都有非常大的应用前景。
[attach]256[/attach]
1. 课程研发环境 本课程的代码实现是基于Python语言，用到Numpy库和MatplotLib. 开发工具 ython win;
2. 内容简介 本教程系统的介绍了机器学习的目的和方法。并且针对每一种常用的方法进行了详细的解析，用实例来说明具体的实现，学生可以跟着一步步完成。在面对现实的问题的时候，可以找到非常可靠的参照。本课程在最开始讲解了Python语言的基础知识，以保证后面的课程中可以顺利进行。更多的Python语言的知识，需要学员自己去找更多的资料进行学习。
本课程主要讲述了两大类机器学习的方法：有监督学习和无监督学习，其中有监督学习里面，又分为分类和预测数值型数据。这些算法都是基础的算法。这样可以降低学习的难度，容易理解机器学习思路和实现的过程。
[attach]257[/attach]
老王：16年软件发工作经历，2年知名软件培训机构专职讲师经历、曾任项目经理、教学主管多年，在Window系统、移动平台的应用软件研发、人工智能的应用领域有很深的造诣。
[attach]258[/attach]
第一讲：机器学习的任务和方法 第二讲：Python语言基础 第三讲：Python语言基础2 第四讲：分类算法介绍 第五讲：k-临近算法 第六讲：决策树 第七讲：基于概率论的分类方法：朴素贝叶斯 第八讲：Logistic回归 第九讲：支持向量机 第十讲：利用AdaBoost元算法提高分类性能 第十一讲：利用回归预测数值型数据 第十二讲：树回归 第十三讲：无监督学习 第十四讲：利用K-均值聚类算法对未标注数据分组 第十五讲：使用Apriori算法进行关联分析 第十六讲：使用FP-growth算法来高效发现频分项集 第十七讲：利用PCA来简化数据 第十八讲：利用SVD简化数据 第十九讲：大数据与MapReduce 第二十讲：学习总结
[attach]259[/attach]
[attach]260[/attach] [attach]261[/attach] [attach]262[/attach] [attach]263[/attach] [attach]264[/attach] [attach]265[/attach] [attach]266[/attach]
目标一. 了解机器学习的目标
目标二. 了解机器学习的常用方法
目标三. 通过实战，学习机器学习的实现
目标四. 学习机器学习开发中的一些常用工具
[attach]267[/attach]
亮点一、详细解析机器学习的方法，有理论有实践，很容易理解和掌握.
亮点二、理论与实战相结合，由浅入深。不管有没有编程基础，都可以学习.
亮点三、课程大多数代码均是一行一行手工敲入，手把手一步步带领学员从入门到精通.
亮点四、课程中的案例，有不少可以直接用在现实的任务中.
[attach]268[/attach]
1、课程针对人群 本课程针对想要了解和学习人工智能的同学，不管有没有编程基础均可。
2、我该怎么学,如何才能学好这门课程，给些建议。 2.1 时间上的安排建议 本课程共20讲，共40课时，不要贪快，要对每一讲的内容深刻了解在继续下一部分的内容。 2.2 学习要求 1. 由于机器学习的算法中，有大量的关于矩阵和向量的运算，所以如果没有学过线性代数和概率的同学，一定要先找相关的资料做好预备知识的准备工作。 2. 如果有Python基础，可以掠过2-3讲的内容，直接进入机器学习的章节， 3. 如果对机器学习有一定的了解，可不必按部就班进行，可以拿你感兴趣的部分去学习，但一定要注意实践，并学会举一反三 2.3 讲师建议 1. 一定要先理解每一种算法的思路，了解其实现的步骤。这样才能知道代码实现的原理和过程。 2. 对于实现部分，通过自己重新敲一遍代码，是有助于理解实现过程的，但也不必拘泥于此，特别是对于有编程基础的学员来说。 3. 建议一般听视频，一般拿个纸和笔，做一些记录和笔记，这是一种非常好的学习习惯。 4. 机器学习的相关资料比较分散，可以以本视频为主线，参考多种资料，来加深理解。 5.最后祝您学有所成
| 
发表于 2018-8-23 23:26:49
收藏
添加客服微信 获取更多
关注微信公众号